AI 的局限与思考的不可替代性

本文基于我对 AI 应用的浅显认知，或许许多专家已有更成熟的实践与更深刻的见解，期待大家交流分享。

Claude Code 已深度融入我的日常作息整整一月，不得不承认，它确实重塑了我的工作模式。

然而随着使用深入，我发现有些领域它无法涉足。这并非技术瓶颈，而是触及了更深层的本质。今日愿将这些初步感悟记录如下。

壹 · 一分半钟与三小时的差距

先谈一个令我深感"真香"的应用场景。

税会差异分析。从事财务工作的人都清楚，此事逻辑简单但极度耗费心神。需逐项核对所有税会不一致之处，为每个差异寻找依据、核算金额、列举影响。每月雷打不动，涉及两个主体，全套流程下来至少耗时两小时。这两小时最好无人打扰——一旦因急事中断，思路断裂便难以接续，实际耗时往往长达三小时甚至更多。

坦白讲，我早已厌倦此事。并非因其难度，而是因为它吞噬了我宝贵的专注力。

月初我开始打磨一个名为 Tax compare 的技能，历经实践、复盘、修正五轮迭代后，昨日首次运用该技能完成本月两个主体的税会差异分析，从输入指令到获取结果，耗时不足一分半。此刻请大家深思这句话：原本需三小时的工作，一分半钟便已完成。

但有一个细节，我认为比效率数据本身更为关键。

我之所以能驱动 AI 完成此事，源于我清晰掌握该工作流的每一个步骤。我知晓何处易生差异、差异依据何在、如何判定、怎样归类以及如何呈现。

即便没有 AI，若来一位实习生，我也能条理清晰地讲解，助其独立完成此任务。这一前提，才是真正有价值的核心。

贰 · AI 无法绕过思考本身

上述观点，我想进一步阐述。因为它触及了一个根本性问题。

AI 并非填空题机器。许多人幻想 AI 能"接收模糊需求后自动理清意图"，但现状并非如此。你提供明确、结构化的指令，它执行迅速；你给予模糊指令，它回馈的亦是模糊结果。

真正的思考，在指令设计之前便已成型。

若能向实习生清晰交代任务，便能向 AI 清晰传达。反之亦然——若你无法讲清，非因表达不善，而是脑中路径尚不明晰。

我想表达的是：AI 取代的并非思考，而是执行。你必须具备前置思考能力——想透做事方法、内部逻辑及边界所在——方能将 AI 转化为肢体的延伸。

这便引向我要探讨的第三个场景。

叁 · 当我涉足陌生领域

近期我正尝试利用 Claude Code 完成一项工作：在 Obsidian 上构建任务管理系统，以期替代 Notion Calendar。

结果失败了。或者说，目前尚未达成预期效果。

复盘后发现，症结并不在 AI。

我对 Obsidian 中的 Quick Add、Templater 等插件尚不熟悉，这是我的知识盲区。我只能清晰表达需求——"我想构建一个能替代 Notion Calendar 的任务系统"——但落实到具体层面，需知晓插件如何协同、哪些参数可调、何种组合能实现何种效果。

因此回归原点，仍需将这些插件钻研透彻，这一学习过程，AI 无法代劳。

正因我不懂这些，才无法给出更具体的操作指令，基础不牢，地动山摇。

我只能尽力将需求描述得更清晰些，但"模糊的清晰"终究仍是模糊。最终结果难尽人意。

这已非首次遭遇此类困境。每当我踏入自身尚未厘清的领域，AI 的表现便直线滑落。非 AI 不行，实因我脑中无谱。

纵观这三个场景，其实指向一个浅显的道理：

你脑海中的那份蓝图，当下无人能代你描绘，AI 亦不能。

我不敢断言未来走向如何。但至少当下，至少在我的日常实践中，AI 是极其强大的执行工具，它能将你已知如何完成的事项加速至令人咋舌的程度。但它无法替代你先想清楚的那一步。

当下，AI 尚未取代思考，人脑仍是可能性的源泉